设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 2868|回复: 7
打印 上一主题 下一主题

[武器展望] 西工大这个AI成果意义非常重大

[复制链接]

该用户从未签到

跳转到指定楼层
楼主
 楼主| 发表于 2024-5-12 13:14:48 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
本帖最后由 晨枫 于 2024-5-12 00:20 编辑 . x3 j1 @6 A+ `, _/ g2 ?2 s

$ U& P  Q, I8 f5 A% j  z南华早报报道,西工大张东(音译)团队在《航空学报》上发表论文,成功解决了AI的“黑箱难题”。
! @, D2 ^/ ?5 k9 ~) y9 ?+ r" a9 u- e8 h% @
黑箱模型也叫经验模型,指模型结构与物理过程没有外在关系的数学模型,模型结构的选择基于有可用的数学建模和分析工具,并无物理解释。模型行为与物理过程相近,纯粹是比照输入-输出训练数据,对模型中的可调参数“凑参数”的结果。在使用中,使用者“喂入”数据,模型“吐出”计算结果,仅此而已,谈不上理由,谈不上解释。9 a! K4 p6 ~' Q7 q
0 c! n8 ?3 O, L" M. I8 q
从高斯发明最小二乘法,这就是数学模型的基本思路。建模方法越来越复杂,模型结构越来越复杂,但思路没有变。
; S5 c) j5 o  X' i4 K
$ s3 `& B, o8 u! L4 L7 R  J也不能说一点没变。“任意”选一个模型结构,总可以“凑”出参数。模型阶数提高,模型结构复杂化,模型与数据的拟合度提高,但最终拟合度改进越来越小。数学上有一套“适可而止”的办法,帮助确定模型阶数和复杂性在什么程度既保持足够简洁,又达到足够精度。甚至有一定的办法,帮助引向最合适的模型结构。7 R- E$ N$ A4 z
  }" c7 A) P% y
黑箱模型的好处是简便,不需要对物理过程有深入理解。坏处是适用范围很受训练数据的限制。如果训练数据代表了所有可能遇到的情况,黑箱模型其实是不错的。问题是物理过程很复杂,可能经历的情况几乎是无限的,而训练数据只可能针对有限的场景。一旦遇到训练数据之外的场景,黑箱模型就很不可靠,而训练场景之外既可以是数据边界之外,也可以是数据“云团”之间的空隙。/ l8 `& ^5 @9 a" V/ z) k
* ^5 `/ s' N6 W) ]; z7 c
更近一步,不再是简单粗暴地从数学上容易入手的多项式、双线性等模型形式入手,而是基于对物理过程的认知,建立具有物理解释的模型构架,用可调参数使得模型行为与现实过程最大程度拟合。这是灰箱模型,也叫半经验模型。
# g, z9 F. _. m$ f4 X$ d
7 d4 G& |# U# k* i灰箱模型的结构有一定的物理背景,在结构上就决定了模型行为的基调。如果这个基调定调正确,加上训练数据,就可以建立比较可靠的模型。即使在数据边界之外,或者数据“云团”之间,模型结果也不会太离谱。, q1 b; V. y3 W, }

7 Z: q2 r' a9 {2 O5 ^' h# P( _6 B理想模型也叫白箱模型,这是根据对物理过程的认知,建立机理模型,再通过实验,确定模型参数。由于这有坚实的物理基础,只需要相对较少的训练数据就可精确确定参数。而且在训练数据的边界之外或者云团之间,精度和可靠性依然有保证。
( u4 F: f0 w# G5 i" Q. I5 {% z) o4 t1 r9 h" n
白箱模型是可遇而不可得的。真实世界太复杂了,要精确理解和建模对相当简单的过程也是艰难的事,最后得到的模型也可能在数学上非常复杂,使用不变。比如说,水壶烧水是又简单又复杂的问题。如果用黑箱模型,选一个线性律或者平方律,在火力、时间、冷水温度和沸腾时间之间通过实验或许足量数据,然后用最小二乘法,就可以得到一个黑箱模型。在大部分情况下,这模型就够用了。
6 Q9 X" z2 h" t; D$ t! K
: V/ W/ M7 E# x; z. ]: ?用灰箱模型的话,就要用到传热、材质等方面的知识,但模型也更加精确可靠。
+ b$ ]) x7 @8 O1 x2 f6 ~; Q
; v! i) U! C/ \/ }9 C但用白箱模型的话,连壶底的热分布、壶体的热传导和散热、壶内的对流循环、水中杂质对沸点的影响等统统要考虑进去。模型更精确,但建模就太复杂了。
3 M( F$ r4 h& h5 r5 q8 s4 x) ?, p1 X# [2 b3 ]
在实用中,常常还是黑箱为主,毕竟方便。/ U, P2 }; z3 n
; c$ @1 y$ z) ^' @. z: O
AI正是黑箱模型,模型结构与物理世界无关。简单黑箱模型多少还能分析一下,对模型行为有一些定型、半定量的理解。AI模型就不行了,尤其是深度学习模型,动辄几十几百层,几万几亿参数,根本不可能进行有意义的分析。
0 T0 a* n2 z7 x. I( t( A( c% ]" C4 @2 D5 M
这就带来巨大的问题,尤其是用AI模型进行决策辅助甚至自动决策的时候:如何确保AI建议或者决策是正确的,至少是无害的?7 J& ]- o7 |! a' i1 l3 j
; f7 }/ p" `7 l2 x. J6 ?
在AlphaGo的时候,就有一些棋路是这样,事后复盘的时候,人类大师也看不懂为什么要这么走,也说不上来这几步对后来的胜负有什么影响。自动决策是个最优化问题。最优化好比爬山,爬到山顶就是达到最优了。但要是山包顶上很平坦,到底那里才是山顶就很不清晰。更糟糕的是奇点,像马鞍一样,从一个角度看是顶点,从另一个角度看是底点,算法就容易犯糊涂。还有“香蕉问题”,在两头翘的区域里,算法可能左冲右突就突不出去,要沿着“香蕉”走一段,才有比较明显峰谷。还有就是局部顶点,在山脚下的平地上有一些小土包,爬上土包,在三十步之内确实是顶点,但真正的山顶在前面,连山脚都还没有到呢。
! t1 ~" @) I: a" e4 E5 t. N7 L6 ^% p( W' B1 y+ O( }! a  n' v
这些数值计算上的问题可能把最优化算法绕糊涂,找到的最优解其实不最优,甚至一点都不优。
$ Q" ^( D) E% Z9 E; k2 m( ]( D
. h9 {- E: {+ d, p人类需要理解AI是如何得到当前的结论的。同时,如果人类对AI的求解不满意,要有容易的办法“纠正错误”。
% l9 F6 U0 I  t2 `- R; g- i) ~, K6 O+ y% v
张东团队正是做到了使得AI“坦白交代”,用数据、自然语言和图表说明决策依据和过程,帮助人类理解AI,并在人类复审有异议的时候,可以反馈回去,纠正AI的决策路径。
+ ]8 ~4 k* ^- h9 F- X/ A7 z2 t+ [* Y. C) [
张东团队用这个方法,训练AI空战。在一个实例中,AI用复杂的角度机动试图摆脱追击失败,有经验的飞行员发现,AI不顾能量损失强行机动,最后没有击落对方,自己反而能量丧尽,被对方击落。在后来的人工反馈中,AI“改正错误”,再也没有犯同样的错误,而是用貌似蠢笨但保存能量的简单动作引诱对方上前,然后通过积蓄起来的能量突然反手机动,一举击落对方。
: @. B. p  q: q1 Z8 y. f( X! T$ M; Z. `! ?# D
团队发现,利用飞行模拟器数据,用无反馈的黑箱模型训练,AI要50000轮才能达到90%的成功率;但用有反馈的逐步训练,20000轮就能达到接近100%的成功率。% n3 \- m! W' \% b: o0 W
% J5 Y7 a; K1 q# m3 O
这其实好理解。完全基于训练数据的一次性黑箱模型训练好比关起门来死读书,破万卷书后才一知半解;学一点基本知识后,到实践中边学边完善,进步就快多了。, E' p$ ~1 m) @4 R: }7 f

( z) u2 [. w0 n+ J: W4 s这对空战模型的意义显而易见,但应用还不止于此。在工业自动化、工商决策辅助和其他AI应用中,AI的“黑箱性”是应用铺开的最大障碍。即使人们有理由相信“AI是有道理的”,在不能理解这个道理之前,还是不愿意接纳AI的决策建议,在AI直接行动的时候更是抵触。
2 C+ x7 p7 M1 H4 M
( V; w9 p0 B1 ?4 r! s0 Q: P张东团队的成果如果能白菜化、普及开来,功莫大焉。
  y- U2 I. @7 H2 X7 `) m
5 V8 B5 q4 W; ?2 Y对了,爱坛里@testjhy 是AI权威,给说说我这个理解还靠谱吗?

评分

参与人数 9爱元 +82 学识 +2 收起 理由
常挨揍 + 10
helloworld + 8
landlord + 12 伙呆了
李根 + 8 油菜
方恨少 + 12

查看全部评分

本帖被以下淘专辑推荐:

  • TA的每日心情
    开心
    2024-9-2 01:41
  • 签到天数: 298 天

    [LV.8]合体

    沙发
    发表于 2024-5-13 04:22:37 | 只看该作者
    本帖最后由 鳕鱼邪恶 于 2024-5-13 04:24 编辑
    0 S# c# r" ?& Q! F: k' P5 ]( I6 G8 y) Z' [: e$ O
    兔子现在这么不耽于泄密了嘛~
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    14 小时前
  • 签到天数: 1853 天

    [LV.Master]无

    板凳
    发表于 2024-5-13 17:24:08 | 只看该作者
    更糟糕的是奇点,像马鞍一样,从一个角度看是顶点,从另一个角度看是底点,算法就容易犯糊涂。

    " u. K" w9 f/ W* o4 k/ S所以最小二乘优化问题一般要求系数矩阵是正定的,至少是非负定的,避免马鞍点

    评分

    参与人数 1爱元 +8 收起 理由
    helloworld + 8

    查看全部评分

    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2018-6-21 09:14
  • 签到天数: 2 天

    [LV.1]炼气

    地板
    发表于 2024-5-14 07:10:52 | 只看该作者
    能给个文章出处吗? 完整的标题,署名,日期也行啊
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    5#
    发表于 2024-5-14 09:22:18 | 只看该作者
    听上去好像不是什么新东西,感觉这个好像有个专门的词,叫监督学习supervised learning还是啥来着?

    评分

    参与人数 1爱元 +8 收起 理由
    helloworld + 8

    查看全部评分

    回复 支持 反对

    使用道具 举报

    该用户从未签到

    6#
    发表于 2024-5-15 00:00:33 | 只看该作者
    黑箱的可解释性,是AI领域的热门研究课题。如果他们是理论上或方法上有突破,应该是尽量发在各个conference上。是的,这个领域的文章,conference上发表最重要。所以更可能的是这是现有方法在一个工程领域的成功实践。
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2018-6-21 09:14
  • 签到天数: 2 天

    [LV.1]炼气

    7#
    发表于 2024-5-15 00:31:18 | 只看该作者
    本帖最后由 gnomegordon 于 2024-5-15 01:09 编辑
    % w% F" I6 H1 M0 u9 \
    老福 发表于 2024-5-15 00:00
    ! v' ~  ^6 t2 o$ E( X: l& `! E& o黑箱的可解释性,是AI领域的热门研究课题。如果他们是理论上或方法上有突破,应该是尽量发在各个conference ...

    ) @+ P, {) j9 d- y& A4 O: q# B6 x0 u5 h2 B. ~% \( {
    这个有所突破,算是重大突破哎。听上去像是人在回路中,不像boosting
    回复 支持 反对

    使用道具 举报

    该用户从未签到

    8#
     楼主| 发表于 2024-5-16 05:34:03 | 只看该作者
    数值分析 发表于 2024-5-13 03:249 V. i+ N# L" L+ {: i9 S  }
    所以最小二乘优化问题一般要求系数矩阵是正定的,至少是非负定的,避免马鞍点 ...
    / D5 |) B( I' _5 f
    工程实践中,通常是不到结果出问题,不会去检查正定矩阵的
    回复 支持 反对

    使用道具 举报

    手机版|小黑屋|Archiver|网站错误报告|爱吱声   

    GMT+8, 2025-4-4 14:59 , Processed in 0.040939 second(s), 21 queries , Gzip On.

    Powered by Discuz! X3.2

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表